May, 2023

协变量距离加权回归（CDW）：房价估计案例研究

PDF
TL;DR本研究提出了一种基于地理和属性距离的加权回归模型，称之为 CWR，用于预测房屋价格，并分析了房龄、建筑面积等因素对房价的影响。结果表明，该模型可以通过降低传统空间回归模型的估计误差来提高房屋价格的准确性。
geographically weighted regressioncovariate weighting functionhouse pricesattribute distancespatial heterogeneity
发现论文，激发创造
  • 模型错误规范和不可知分布转移下的稳定预测

    提出了一种新的 Decorrelated Weighting Regression (DWR) 算法，能够提高模型错误规范化和未知测试数据下的参数估计准确性和预测稳定性。

    Jan, 2020

  • 利用卫星图像预测房价：超越空间自回归模型

    本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

    Oct, 2016

  • AWR: 自适应权重回归用于三维手势估计

    本文提出了一种自适应加权回归方法，并且结合密集表示和联合监督学习，实现端到端训练和提高模型的准确度和鲁棒性，在四个公开数据集上的表现比其他最先进方法更好。

    Jul, 2020

  • 通过 Cramer-Wold 距离实现联合分布学习

    通过引入 Cramer-Wold 距离正则化和两步骤学习方法，本研究在处理高维数据集或观测变量间的复杂相关结构时，改进了变分自编码器 (Variational Autoencoder) 解码模型中存在的条件独立性假设限制，以实现高维数据的联合分布学习；实验结果表明所提出的方法在合成数据生成方面具有较高的性能。

    Oct, 2023

  • 通用重新加权为何不优于 ERM

    本文介绍了一种名为广义重加权算法（GRW）的类别，它通过迭代地重新加权训练样本来更新模型参数。我们发现在采用 GRW 算法的过拟合模型下，所得到的模型与采用 Empirical risk minimization 得到的模型非常相似。此外，在 GRW 算法不使用小规则化方法的情况下，得到的结果也是不尽如人意的，我们需要更多的探索与研究。

    Jan, 2022

  • OLR-WA 在线回归与加权平均

    机器学习中的在线学习方法 OLR-WA，通过结合新旧数据建立模型来解决数据量庞大和数据变化的问题，并通过用户定义的权重来实现对结果的偏好。与静态模型相比，OLR-WA 在一致数据上表现相似，在变化数据上，则可根据用户需求调整适应速度或抵抗变化。

    Jul, 2023

  • 利用类别信息进行深度神经网络表示形状塑造

    本文介绍了两个基于类别信息的正则项方法（cw-CR 和 cw-VR）和两个不采用类别信息的正则项方法（CR，VR）。实验结果表明，基于类别信息的方法显著提高了 22 个数据集上 21 个任务的分类性能，其中包括 ResNet-32/110。

    Sep, 2018

  • 利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据

    通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

    Jun, 2024

  • 自动特征重新加权的简单快速群体鲁棒性

    本文提出了自动特征重新加权 (AFR) 方法，使用加权损失重新训练模型的最后一层来减少对非目标相关的模式的依赖，并在几个视觉和自然语言分类基准测试中获得了最佳结果。

    Jun, 2023

  • 使用正则化的 Wasserstein 距离进行跨语言文档检索

    本文提出了一种新的衡量文本差异的度量方法：Word Mover's Distance，通过加入词汇权重和使用熵正则化方法，可以提高跨语言文档检索任务的效果并取得令人瞩目的改进，与多个基线相比表现提高幅度显著。

    May, 2018